안녕하세요, 카카오클라우드입니다. 오늘은 최근 딜로이트가 발표한 "What's next for AI?" 기사를 바탕으로 AI 기술의 2025년 주요 트렌드에 대해 살펴보고자 합니다. 이 기사는 빠르게 발전하는 AI 생태계와 기업들이 고려해야 할 새로운 흐름을 심도 있게 분석하고 있습니다.
눈 깜짝할 사이에 변화하는 AI 생태계
인공지능의 발전 속도는 예상을 훨씬 뛰어넘고 있습니다. 딜로이트가 2024년 테크 트렌드에서 기업들에게 대규모 언어 모델(LLM)을 전략적으로 도입하라고 조언했던 때로부터 겨우 1년이 지났지만, 현재 약 70%의 기업들이 이미 LLM 활용 사례를 적극적으로 탐색하거나 구현하고 있는 것으로 추정됩니다.
하지만 선도적인 기업들은 이미 AI의 다음 장을 고려하고 있습니다. 대규모 플레이어가 구축한 기반 모델에 의존하는 대신, 기업들은 이제 비즈니스 요구사항에 더 효율적일 수 있는 다양한 소형 모델 구현을 검토하고 있습니다. LLM은 계속 발전하여 일반 목적 챗봇이나 과학 연구를 위한 시뮬레이션과 같은 특정 사용 사례에서 최선의 선택이 될 것이지만 우리는 앞으로 더 다양한 분야에서 세분화된 모델을 보게 될 것입니다.
AI의 현재 : 기초를 다지는 과정
LLM은 분명 흥미롭지만 상당한 기초 작업이 필요합니다. 많은 기업들은 자체 모델을 구축하는 대신 Anthropic이나 OpenAI 같은 회사와 협력하거나 하이퍼스케일러를 통해 AI 모델에 접근하고 있습니다. 가트너에 따르면, AI 서버는 하이퍼스케일러의 총 서버 지출의 약 60%를 차지할 것이라고 합니다.
일부 기업들은 LLM에서 즉각적인 비즈니스 가치를 찾았지만, 다른 기업들은 외부 데이터로 훈련된 LLM의 정확성과 적용 가능성에 대해 여전히 신중한 태도를 보이고 있습니다. 딜로이트와 Fivetran, Vanson Bourne의 최근 조사에 따르면, 대부분의 기업에서 생성형 AI 실험의 3분의 1 미만만이 실제 운영으로 옮겨졌으며, 이는 주로 기업들이 AI 프로그램을 실행하는 데 필요한 모든 데이터에 접근하거나 정제하는 데 어려움을 겪기 때문입니다.
데이터는 LLM의 기반이며, 나쁜 데이터의 인풋은 더 나쁜 아웃풋으로 이어집니다. 즉, 쓰레기를 넣으면 쓰레기의 제곱이 나옵니다. 이것이 데이터 라벨링 비용이 AI 투자의 큰 동인이 될 수 있는 이유입니다. 일부 AI 기업이 가능한 가장 큰 모델을 구축하기 위해 인터넷을 스크래핑하는 동안, 현명한 기업은 가능한 가장 스마트한 모델을 만들며, 이는 LLM을 위한 더 나은 도메인별 교육이 필요합니다.
데이터에 기반한 문제들은 다이나믹합니다. 딜로이트가 조사한 기업들은 민감한 데이터에 대한 불분명한 규제, 외부 데이터 사용에 관한 질문 등으로 새로운 문제가 드러날 수 있다고 말했습니다. 이것이 조사된 기업의 55%가 데이터 관련 문제로 인해 특정 AI 활용 사례를 피했고, 같은 비율의 기업이 데이터 보안을 강화하기 위해 노력하고 있는 이유입니다.
새로운 흐름 : 다양한 분야를 위한 세분화된 모델
LLM이 광범위한 사용 사례를 가지고 있지만, 그 라이브러리는 무한하지 않습니다. LLM은 엄청난 자원을 필요로 하고, 주로 텍스트를 다루며, 별도의 작업을 수행하기보다는 인간의 지능을 보강하기 위한 것입니다. Dell Technologies의 기업 전략 수석 부사장인 Vivek Mohindra는 "AI에는 만능 접근법이 없습니다. 모든 크기와 목적에 맞게 구축된 옵션의 모델이 있을 것이며, 이는 AI 전략에서 우리의 핵심 신념 중 하나입니다"라고 말합니다.
앞으로 18~24개월 동안, 주요 AI 벤더와 기업 사용자는 점점 더 정교하고 강력한 LLM과 함께 일상적인 사용 사례에 더 적용 가능한 다른 모델로 구성된 툴킷을 보유하게 될 것입니다. 실제로 LLM이 최적의 선택이 아닌 경우, AI의 세 가지 핵심 요소가 새로운 가치의 통로를 열고 있습니다: 소형 언어 모델, 다중 모달 모델, 그리고 에이전틱 AI입니다.
소형 언어 모델 (SLM)
LLM 제공업체들은 AI 모델을 가능한 한 효율적으로 만들기 위해 경쟁하고 있습니다. 이러한 노력은 새로운 사용 사례를 가능하게 하는 대신, 기존 사용 사례에 맞게 모델의 크기를 조정하거나 최적화하는 것을 목표로 합니다. 예를 들어, 검사 보고서를 요약하는 것과 같은 일상적인 작업에는 대규모 모델이 필요하지 않습니다. 비슷한 문서에 대해 훈련된 더 작은 모델이면 충분하고 비용도 더 효율적일 것입니다.
소형 언어 모델(SLM)은 일반적인 쿼리보다는 더 구체적인 문제를 해결하기 위해 더 작고 고도로 큐레이팅된 데이터셋으로 기업이 훈련시킬 수 있습니다. 예를 들어, 어떤 기업은 재고 정보에 대한 SLM을 훈련시켜 직원들이 대규모 데이터셋을 수동으로 분석하는 대신 빠르게 통찰력을 얻을 수 있게 할 수 있습니다. 이러한 SLM의 통찰력은 그 후 쉬운 접근을 위한 사용자 인터페이스 애플리케이션과 결합될 수 있습니다.
Databricks의 AI 부문 부사장인 Naveen Rao는 더 많은 기업이 AI와 함께 이러한 시스템 접근 방식을 취할 것이라고 믿으며, "모든 것을 이해하는 마법의 컴퓨터는 SF 판타지입니다. 오히려 우리가 직장에서 인간을 조직하는 것과 같은 방식으로 우리는 문제를 분해해야 합니다. 도메인별 맞춤 모델은 특정 작업을 처리할 수 있고, 계산을 실행할 수 있으며, 데이터베이스는 관련 데이터를 가져올 수 있습니다. 이러한 AI 시스템은 어떤 단일 구성 요소보다 더 나은 솔루션을 제공합니다"라고 말했습니다.
소형 모델의 또 다른 이점은 장치에서 직접 실행할 수 있고 일반적인 쿼리보다는 더 구체적인 문제를 해결하기 위해 기업이 더 작고 고도로 큐레이팅된 데이터셋으로 훈련시킬 수 있다는 것입니다. Microsoft와 Mistral 같은 회사들은 현재 더 적은 매개변수로 구축된 이러한 SLM을 더 큰 AI 제품에서 추출하는 작업을 하고 있으며, Meta는 소형 모델과 최첨단 모델에 걸쳐 다양한 옵션을 제공합니다.
마지막으로, SLM에서 일어나는 많은 진전은 Hugging Face나 Arcee.AI와 같은 회사가 제공하는 오픈소스 모델을 통해 이루어지고 있습니다. 이러한 모델은 IT 팀이 이를 미세 조정할 내부 AI 인재를 보유하고 있는 한, 어떤 필요에도 맞춤화시킬 수 있기 때문에 기업 사용에 적합합니다.
다중 모달 모델 (Multimodal Models)
인간은 텍스트, 몸짓 언어, 음성, 비디오 등 다양한 매체를 통해 상호작용합니다. 기계도 이제 따라잡기를 희망하고 있습니다. 비즈니스 필요가 텍스트에만 국한되지 않기 때문에 기업들이 여러 매체를 받고 생성할 수 있는 AI를 고대하는 것은 놀라운 일이 아닙니다.
다중 모달 생성형 AI는 초기 단계에 있습니다. 첫 번째 주요 모델인 Google의 Project Astra와 OpenAI의 GPT-4 Omni는 2024년 5월에 선보였으며, Amazon Web Services의 Titan 제품도 비슷한 기능을 가지고 있습니다. 다중 모달 생성형 AI의 진전은 상당히 많은 양의 데이터, 자원, 하드웨어가 필요하기 때문에 아직 느릴 수 있습니다. 또한, 텍스트 기반 모델을 괴롭히는 할루시네이션과 편향의 문제는 다중 모달 생성에 의해 더욱 악화될 수 있습니다.
그럼에도 불구하고, 기업 사용 사례는 유망합니다. "한 번 훈련시키고, 어디서든 실행한다"는 개념은 텍스트로 훈련받았지만 사용 사례와 사용자의 선호도에 따라 그림, 비디오 또는 소리로 답변을 제공할 수 있는 모델을 약속합니다. 이 기술이 발전하고 모델 아키텍처가 더 효율적이 되면서, 앞으로 18~24개월 동안 더 많은 사용 사례를 볼 수 있을 것입니다.
에이전틱 AI (Agentic AI)
AI의 세 번째 새로운 핵심 요소는 앞으로 10년 동안 우리의 업무 방식 변화를 이끌 수 있습니다. 대규모 또는 소규모 액션 모델은 LLM의 질문-답변 기능을 넘어서서 실제 세계에서 별도의 작업을 스스로 수행합니다. 예를 들면, 여행 선호도에 따라 항공편을 예약하거나 데이터베이스에 접근하고 필요한 작업을 실행할 수 있는 자동화된 고객 지원을 제공하는 것까지 다양한 예가 있습니다. 이러한 액션 모델의 확산은 자율적인 디지털 에이전트로 작동하며, 에이전틱 AI의 시작을 알립니다. Salesforce와 ServiceNow와 같은 기업 소프트웨어 벤더들은 이미 이러한 가능성을 자랑하고 있습니다.
ServiceNow의 최고 고객 책임자인 Chris Bedi는 도메인 또는 산업별 에이전틱 AI가 기업에서 인간과 기계 상호작용의 게임 체인저가 될 수 있다고 믿습니다. 예를 들어, 회사의 Xanadu 플랫폼에서 한 AI 에이전트는 들어오는 고객 문제를 과거 사건 이력과 비교하여 다음 단계에 대한 권장 지침을 제시할 수 있습니다. 그 후, 이 에이전트는 그러한 권장 지침을 실행할 수 있는 다른 자율 에이전트와 통신하고, 최종 의사결정자의 가설 승인을 위해 에이전트-에이전트 통신을 검토합니다.
AI의 미래 : 에이전트, 에이전트
앞으로 10년 동안 AI는 ‘실행’에 완전히 집중할 수 있습니다. 미래의 직원은 AI 에이전트에게 일반 언어로 모든 것을 요청할 수 있습니다. 예를 들어, "Q2 장부를 마감하고 EBITDA에 대한 보고서를 생성하라"라고 요청할 수 있습니다. 기업 계층 구조와 마찬가지로, 주요 에이전트는 필요한 작업을 다양한 생산성 제품군에 걸쳐 행동을 취하기 위한 별도의 역할을 가진 에이전트에게 위임할 것입니다. 인간과 마찬가지로, 팀워크는 기계가 그들의 능력을 향상시키는 데 필요한 요소일 수 있습니다. 이는 앞으로 몇 년 동안의 몇 가지 핵심 고려 사항으로 이어집니다:
AI와 AI 간 통신
에이전트는 인간 언어보다 서로 더 효율적으로 통신하는 방법을 가질 것으로 예상됩니다. 더 나은 AI-AI 통신은 결과를 향상시킬 수 있으며, 사람들은 AI의 혜택을 받기 위해 굳이 전문가가 될 필요는 없을 것입니다. 오히려 AI는 각 사람의 의사소통 스타일에 적응할 수 있습니다.
일자리 대체와 창출
프롬프트 엔지니어와 같은 역할이 쓸모없게 될 수 있다는 주장도 있습니다. 그러나 이러한 직원들의 AI 전문 지식은 오늘날 LLM과 마찬가지로 AI 에이전트 관리, 훈련 및 협업에 집중함에 따라 여전히 필요할 것입니다.
개인정보 보호 및 보안
시스템 접근 권한을 가진 에이전트의 확산은 사이버 보안에 대한 광범위한 우려를 제기할 가능성이 높으며, 이는 시간이 지남에 따라 더 많은 데이터가 AI 시스템에 의해 접근됨에 따라 더욱 중요해질 것입니다. AI 에이전트를 최대한 활용하기 위해서는 위험과 신뢰에 대한 새로운 패러다임이 필요할 것입니다.
에너지와 자원
AI의 에너지 소비는 점점 커지는 우려 사항입니다. 환경적 영향을 완화하기 위해 미래의 AI 개발은 성능과 지속 가능성의 균형을 맞출 필요가 있을 것입니다. 액체 신경망이나 AI를 훈련시키는 다른 효율적인 형태의 개선 사항, 그리고 이 모든 것이 작동하는 데 필요한 하드웨어를 활용해야 할 것입니다.
미래를 위한 리더십
AI는 모든 사람이 지난 1년 동안 충분히 들었듯이 변혁적인 잠재력을 가지고 있지만, 리더십이 허용하는 한도 내에서만 그렇습니다. AI를 일을 항상 해왔던 방식으로 더 빠르게 하는 방법으로 적용하는 것은 최선의 경우 잠재력을 놓치고, 최악의 경우 편향을 증폭시킬 것입니다. 상상력이 풍부하고 용기 있는 리더들은 AI를 굳어진 기존 사례에서 다음의 창의적 사례로 이어지도록 도전해야 합니다. 여기서 우리는 AI 생태계를 향해 우리 자신과 우리의 데이터를 조직하는 새로운 방법을 찾아야 합니다.
AI에 관해서, 기업들은 앞으로도 오늘날과 동일한 것을 고려해야 할 것입니다. 그것은 오직 데이터입니다. AI 시스템이 인공 일반 지능에 도달하거나 인간 두뇌만큼 효율적으로 학습할 수 있게 될 때까지, 그들은 더 강력하고 정확한 아웃풋을 위해 더 많은 데이터의 입력을 요구할 것입니다. 오늘날 기업 데이터를 조직화, 간소화 및 보호하기 위해 취한 조치는 수년 동안 배당금을 지불할 수 있으며, 데이터 부채는 언젠가 기술 부채의 가장 큰 부분이 될 수 있습니다.
이러한 기반 작업은 또한 기업들이 이 새롭고 강력한 기술을 미래로 이끄는 데 따르는 수많은 규제와 윤리적 불확실성에 대비하는 데 도움이 될 것입니다.
카카오클라우드 또한 이러한 AI 기술 발전 흐름을 지속적으로 모니터링하고, 여러분의 비즈니스에서 소형 언어 모델, 다중 모달 모델, 에이전틱 AI 등 새로운 접근 방식을 클라우드 환경에 통합하기 위한 지원을 아끼지 않을 것 입니다.
[ 출처 : Deloitte - What's Next For AI? ]
댓글